Practical Data Science with Amazon SageMaker (PDSASM)
Beschreibung
Voraussetzungen
- Vertrautheit mit der Programmiersprache Python
- Grundlegendes Verständnis von Machine Learning
Zielgruppe
- Entwickler
- Datenwissenschaftler
Detaillierter Kursinhalt
Modul 1: Einführung in maschinelles Lernen
- Arten von ML
- Job-Rollen in ML
- Schritte in der ML-Pipeline
Modul 2: Einführung in Data Prep und SageMaker
- Trainings- und Testdatensatz definiert
- Einführung in SageMaker
- Demo: SageMaker-Konsole
- Demo: Starten eines Jupyter-Notizbuchs
Modul 3: Problemformulierung und Datensatzvorbereitung
- Geschäftliche Herausforderung: Kundenabwanderung
- Überprüfung des Datensatzes zur Kundenabwanderung
Modul 4: Datenanalyse und -visualisierung
- Demo: Laden und Visualisieren Ihres …
Frequently asked questions
Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!
Voraussetzungen
- Vertrautheit mit der Programmiersprache Python
- Grundlegendes Verständnis von Machine Learning
Zielgruppe
- Entwickler
- Datenwissenschaftler
Detaillierter Kursinhalt
Modul 1: Einführung in maschinelles Lernen
- Arten von ML
- Job-Rollen in ML
- Schritte in der ML-Pipeline
Modul 2: Einführung in Data Prep und SageMaker
- Trainings- und Testdatensatz definiert
- Einführung in SageMaker
- Demo: SageMaker-Konsole
- Demo: Starten eines Jupyter-Notizbuchs
Modul 3: Problemformulierung und Datensatzvorbereitung
- Geschäftliche Herausforderung: Kundenabwanderung
- Überprüfung des Datensatzes zur Kundenabwanderung
Modul 4: Datenanalyse und -visualisierung
- Demo: Laden und Visualisieren Ihres Datensatzes
- Übung 1: Merkmale mit Zielvariablen in Beziehung setzen
- Übung 2: Beziehungen zwischen Attributen
- Demo: Bereinigung der Daten
Modul 5: Training und Auswertung eines Modells
- Arten von Algorithmen
- XGBoost und SageMaker
- Demo 5: Training der Daten
- Übung 3: Fertigstellung der Definition des Schätzers
- Übung 4: Einstellung von Hyperparametern
- Übung 5: Einsetzen des Modells
- Demo: Hyperparameter-Abstimmung mit SageMaker
- Demo: Bewertung der Modellleistung
Modul 6: Automatisches Abstimmen eines Modells
- Automatische Abstimmung der Hyperparameter mit SageMaker
- Übungen 6-9: Tuning Jobs
Modul 7: Bereitstellung/Produktionsbereitschaft
- Bereitstellen eines Modells für einen Endpunkt
- A/B-Einsatz für Tests
- Automatische Skalierung Skalierung
- Demo: Automatische Skalierung konfigurieren und testen
- Demo: Hyperparameter-Abstimmungsauftrag prüfen
- Demo: AWS Auto-Skalierung
- Übung 10-11: Einrichten von AWS Autoscaling
Modul 8: Relative Kosten von Fehlern
- Kosten der verschiedenen Fehlerarten
- Demo: Binäre Klassifizierung - Cutoff
Modul 9: Amazon SageMaker Architektur und Funktionen
- Zugriff auf Amazon SageMaker-Notebooks in einer VPC
- Amazon SageMaker Batch-Transformationen
- Amazon SageMaker Ground Truth
- Amazon SageMaker Neo
Werden Sie über neue Bewertungen benachrichtigt
Schreiben Sie eine Bewertung
Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!